基于视觉特征融合的机载红外弱小目标检测

仇国庆; 杨海静; 王艳涛; 魏雅婷; 罗盼

doi:doi:10.3788/LOP57.181004

激光与光电子学进展, 2020, 57 (18): 181004, 网络出版: 2020-09-02

基于视觉特征融合的机载红外弱小目标检测下载： 851次

Dim Target Detection in Airborne Infrared Images Based on Visual Feature Fusion

论文大纲

仇国庆杨海静 ^*王艳涛魏雅婷罗盼

作者单位

重庆邮电大学自动化学院, 重庆 400065

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

针对现有方法在复杂云层和强杂波的干扰环境下的高虚警率或低检测率的问题,提出一种基于视觉特征融合的机载红外弱小目标检测方法。首先,利用Laplace算法对原始图像进行锐化处理,提取图像的轮廓边缘,并将其叠加到原始图像上,目的是增加真实目标与疑似目标的像素强度。然后,根据目标的梯度特征,采用局部多向梯度方法对处理后图像中的复杂背景和强杂波进行抑制。其次,根据图像的灰度差异特征,采用局部灰度差方法适当地增强目标。最后,将通过视觉特征信息获取的图像融合,突出目标的显著性,并对目标进行自适应阈值处理,实现目标的精准检测。实验结果表明,与其他方法相比,所提方法在信杂比、背景抑制因子及检测率指标上得到显著提升,且具有较低的虚警率。

Abstract

In this paper, a dim target detection method in airborne infrared images based on visual feature fusion is proposed. The proposed method aims at improving the high false alarm rate or low detection rate achieved by existing methods in complex cloud and strong clutter interference environments. Initially, the original image is sharpened using Laplace algorithm to extract the contour edge, which is added to the original image. The purpose is to enhance the pixel intensity of real and suspected targets. Subsequently, based on the gradient characteristics of the targets, the local multidirectional gradient method is used to suppress the complex background and strong clutter in processed images. Next, based on the gray difference characteristics of the images, the local gray difference method is employed to properly enhance the target. Finally, the images acquired by visual feature information are fused to highlight the saliency of the targets, and the adaptive threshold is used to achieve accurate target detection. The experiment results verify that compared with other methods, the proposed method significantly improves the signal-to-clutter ratio, background suppression factor, and detection rate. It also achieves a lower false alarm rate.

1 引言

红外成像系统具有隐蔽性好、探测距离远等优点,在现代**领域发挥着重要作用^[1]。在远距离机载成像过程中,目标图像的像素很少,通常呈点状特征^[2]。受大气扰动及光学散射等影响,目标能量微弱,当机载成像平台发生姿态调整或抖动时,探测到的目标缺乏具体的形状、纹理及结构信息,使能够提取的特征信息很少^[3-5]。此外,由于目标和机载成像平台通常具有机动运动特性,当目标受云层遮挡或杂波等高亮背景干扰时,目标和背景难以有效区分^[6]。以上因素使得机载环境下的目标检测问题成为亟待解决的技术瓶颈问题之一^[7]。

现有红外弱小目标检测方法可分为基于空间域的方法、基于变换域的方法、基于神经网络或深度学习的方法等。基于空间域的方法采用特定的空间滤波器对图像进行滤波,对原始图像与背景估计图像进行差分运算来抑制背景,实现背景预测,如最大均值滤波、最大中值滤波^[8]、形态学滤波等^[9-11],此类方法具有工程实现简单的优势,但在复杂背景下很难满足理想的假设条件,检测率较低。基于变换域的方法在抑制背景变化影响的同时,提高了目标信噪比,有效保留了目标及图像中部分边缘,如高通滤波^[12-13]、小波变换^[14-15]等,此类方法对平缓背景下目标的检测效果较好,但对背景起伏比较大的红外图像,尤其是对云层边缘杂波,抑制能力较差,虚警率上升。基于深度学习的方法是近年来涌现出的一种新的技术手段^[16-18],已在合成孔径雷达(SAR)图像、多光谱遥感图像等领域得到应用^[19],但该方法的检测效果通常依赖于完备数据集,且需要计算性能很高的硬件平台,可解释性较差,现阶段仍难以应用于机载目标检测场合中。

近年来,人类视觉机制在红外弱小目标检测中起着非常重要的作用,即人的视觉系统能够从较为复杂的视觉环境中敏捷地提取出关键区域,并指向显著性目标,抑制无效信息。因此,人类视觉机制可高效率地对红外弱小目标进行精准检测^[20]。目前,研究的人类视觉机制主要依据弱小目标与背景在多种特征及尺度上的差异,利用视觉特征进行背景抑制,提取目标区域。文献[ 21]利用灰度及方向特征,通过多方向线重构抑制背景杂波,利用信息熵差异将目标与背景分离,增强目标。然而,若图像中目标信号较为微弱时,信息熵方法不能达到增强目标的效果,使得目标的检测率降低。文献[ 22]采用对比度特征和尺度特征来检测目标,该方法可增强微弱目标的强度,但对于具有复杂云层背景的图像,可能会将锐利的云层边缘与真实目标混淆。

针对上述不足,本文提出一种基于视觉特征融合的机载目标检测方法。所提方法依据人类视觉机制对重要信息极其敏感的特性进行分析,依据目标与背景的梯度特征及灰度特征上的差异,对红外弱小目标进行检测。首先利用Laplace方法对图像进行预处理,提高图像中的边缘轮廓;然后根据目标与背景边缘的梯度特性差异,采用局部多向梯度方法抑制预处理后的图像中云层边缘杂波的干扰,降低虚警率;其次利用图像的灰度差异特性,采用局部灰度差方法剔除原始图像中云层和天空环境下较暗或均匀的背景,增强目标,提高目标的检测率;最后对基于梯度和灰度两类视觉特征信息提取的图像进行融合,实现复杂背景的抑制和目标显著性的增强,并进行阈值分割,检测出真实目标。

2 基于视觉特征的目标检测

2.1 复杂背景下图像的预处理

机载环境下探测到的红外图像主要由弱小目标、云层及天空组成。在复杂背景环境下,目标通常会受到天空中高亮度云层的影响,当部分目标被云层遮挡时,目标的完整性较差并且不易被检测,云层的位置分布和几何尺寸将对目标检测造成严重干扰。利用图像边缘增强的理念,对所获取的红外图像进行预处理,使得图像中不同灰度区域的模糊边界或边缘表现为灰度突变,以提高目标识别能力。

对于图像f(i,j),在像素点(i,j)处的Laplace算子的表达式为

\begin{array}{l} \nabla^{2} f (i, j) = 8 f (i, j) - f (i - 1, j - 1) - f (i - 1, j) - f (i - 1, j + 1) - f (i, j - 1) - \\ f (i, j - 1) - f (i + 1, j - 1) - f (i + 1, j) - f (i + 1, j + 1), (1) \end{array}

式中: $\nabla^{2}$ 为Laplace算子。其8邻域的模板为

\nabla^{2} = [\begin{array}{l} - 1 & - 1 & - 1 \\ - 1 & 8 & - 1 \\ - 1 & - 1 & - 1 \end{array}] 。 (2)

Laplace算子的意义在于提取图像中的模糊边缘。对原始图像中灰度分布较均匀的区域, $\nabla^{2}$ f(i,j)运算结果为零,即Laplace运算未起作用,因此该运算具有提取出云层边缘及突变点信息的功能。然后,将提取到的轮廓特征叠加到原始图像上,表达式为

I (i, j) = f (i, j) + \nabla^{2} f (i, j), (3)

式中:I(i,j)为轮廓边缘增强后的图像。效果如图1所示。

从图1(c)可知,图像中边缘模糊的目标及云层边缘变得显著,其中目标尤其醒目,并且目标经过Laplace算子预处理后,被云层遮挡的部分完全显示出来,保证了目标的完整性。

图 1. 高亮度云层的增强效果。(a)原始图像;(b)边缘提取图像;(c)叠加图像

Fig. 1. Enhancement effect of high brightness cloud. (a) Original image; (b) edge extraction image; (c) overlay image

下载图片查看所有图片

2.2 基于梯度特征的背景抑制

复杂云层环境是方法检测性能较低的主要因素之一,其中,与目标灰度相近的高亮度云层边缘将进一步增加目标的检测难度。利用视觉机制对图像边缘敏感区进行分析,云层边缘与目标灰度值较高,与天空背景形成鲜明的对比,表现出极为突出的视觉特征,使得云层边缘易与目标产生混淆。目标通常具有很小的尺寸且呈亮斑状。图2(a)、(b)分别为目标与其邻域的原始图像、其强度三维分布,可以看出,目标及其邻域的强度三维分布近似呈二维高斯函数的钟形曲面^[23]。因此目标的梯度方向也将具有四周指向中心的特性,如图2(c)所示。

图 2. 目标及其邻域的强度和梯度分布图。(a)原始图像;(b)强度三维分布;(c)梯度图

Fig. 2. Distribution maps of intensity and gradient of target and its neighborhood. (a) Original image; (b) 3D intensity distribution; (c) gradient map

下载图片查看所有图片

相比于目标的梯度特性,云层边缘强杂波区域的梯度方向具有特定同向的分布趋势。图3(a)为典型云层的原始图像,图3(b)为图3(a)中方框所选的云层边缘区域的梯度矢量分布,可知,其梯度方向呈沿着边缘外的天空指向边缘内的云层的趋势。因此,云层边缘的梯度方向表现出较为规律的一致趋向性。

图 3. 云层及其梯度分布。(a)原始图像;(b)云层边缘区域梯度分布

Fig. 3. Cloud and its gradient distribution. (a) Original image; (b) gradient distribution of cloud edge region

下载图片查看所有图片

根据弱小目标的视觉特征,利用目标与云层边缘的梯度特征差异来处理高亮云层环境下的云层边缘强杂波的背景抑制问题。从降低计算量以提高处理效率角度考虑,选取四个方向的对称梯度算子,其大小为3×3,如图4所示,分别为π/4方向、3π/4方向、5π/4方向及7π/4方向,对图像中的像素进行运算,得出其在各个方向上的梯度矢量。

图 4. 四个方向的梯度算子

Fig. 4. Gradient operators in four directions

下载图片查看所有图片

需要说明的是,此时目标的梯度方向指向目标中心,因此要选取满足要求的目标像素。将每个像素点分别作为坐标原点,并且在以坐标原点为中心,其局部区域大小为N×N的图像块中建立极坐标系,将其划分成四个区域,则每个区域中射线与极坐标轴的夹角符合几何关系,表达式为

ψ_{n} = \{(γ, θ_{n}) | π (n - 1) / 2 \leq θ_{n} \leq π n / 2\}, (4)

式中:ψ_n为局部区域的第n个区域,n=1,2,3,4;(γ,θ_n)为极坐标中的一个点。

由于目标的梯度方向应指向其中心,因此目标的梯度应满足

Φ_{ψ_{n}} = \{g_{ψ_{n}} (m, α, γ, θ) |π (n - 1) / 2 + π \leq α \leq π n / 2 + π, (γ, θ_{n}) \in ψ_{n}\}, (5)

式中: $Φ_{ψ_{n}}$ 为满足每个区域约束条件的梯度集; $g_{ψ_{n}}$ (m,α,γ,θ)为包含满足约束条件的梯度元素的梯度;m和α分别为梯度元素的大小和方向。

对每个区域中指向中心的像素点计算梯度幅值,表达式为

G_{n} = \frac{1}{N_{m}} \overset{N_{m}}{\sum_{m = 1}} ‖ g_{ψ_{n}}^{m} ‖^{2}, (6)

式中:N_m(m=1,2,…,N_m)为每个区域中达到方向条件的像素数目; $g_{ψ_{n}}^{m}$ 为第m个满足约束条件的梯度。

在每个图像块中,G_max和G_min为G_n的最大和最小值,表达式分别为

G_{\max} = \max_{1 \leq n \leq 4} G_{n}, G_{\min} = \underset{1 \leq n \leq 4}{mi n} G_{n} 。 (7)

图像中各个图像块的局部多向梯度幅值G定义为

G = \{\begin{array}{l} \sqrt[]{\overset{4}{\prod_{n = 1}} G_{n}} & , \frac{G_{\min}}{G_{\max}} \geq k \\ 0 & , \frac{G_{\min}}{G_{\max}} < k \end{array}, (8)

式中:k为梯度幅值比率。

由于目标的梯度矢量在各个方向均匀分布,因此每个方向上的梯度幅值比较接近,此时梯度幅值中最小值与最大值比值接近1,大于梯度幅值比率,目标容易被提取。然而,云层边缘的方向为局部定向,其梯度幅值相差较大,各方向的梯度幅值会有最大值和最小值之分,使得最小值与最大值比值较小,因此采用比较G_min和G_max的比值与梯度幅值比率的方法来抑制复杂云层边缘。梯度幅值比率k是从实验中获得的。因此采用局部多向梯度方法对云层边缘强杂波进行抑制,减少了复杂背景下图像的虚警现象。

2.3 基于灰度特征的目标增强

在复杂云层环境下,天空和云层占极大部分,体积很大,内部的云层灰度几乎相同,没有局部梯度特征。但机载过程中机身温度较高,探测到的目标的红外辐射强度高于天空和云层背景,从而表现为图像中目标灰度高于天空和云层区域的视觉特征。因此,考虑到图像的灰度特征,采用局部灰度差方法模拟人眼系统对感兴趣点的视觉机制,在对图像中云层和天空内部均匀背景及复杂环境下的较暗背景进行抑制同时适当地增强目标。

以原始图像f中每个像素为区域中心,其局部区域Ω的大小为M×M,其中M≥3。图像中各个Ω的像素均值表示为

f_{mean} = \frac{1}{M_{Ω}} \sum_{(i, j) \in Ω} f (i, j), (9)

式中:M_Ω为局部区域的像素个数。

图像的局部灰度差D(i,j)为

\begin{array}{l} D (i, j) = \{\begin{array}{l} α' \times [f (i, j) - f_{mean} (i, j)], & f > f_{mean} \\ 0, & f \leq f_{mean} \end{array} (10) \\ α' = V_{g} / V_{l} (11) \end{array}

式中:α'为增强系数;V_g为原图像的方差;V_l为局部区域的方差;f_mean(i,j)为局部区域Ω的均值。

在图像中,背景主要是云层和天空,而目标与背景间会有微弱的不连续,目标通常是突出的。对图像中在各种情况下的局部区域的灰度差进行讨论,结果如下。

1) 在红外图像中,当局部区域在天空背景或云层内部时,由于云层和天空背景区域成片分布,灰度变化较小,局部灰度差值会较小,其中小区域范围内灰度变化相对均匀,局部灰度差会为极小值甚至为0。

2) 当目标与高亮度云层都出现在局部区域时,相比局部的高亮度云层,目标通常会有微小的强度突变。由于V_g为固定值,图像中的背景多数为高亮云层,V_l较小,则α'比较大,虽然目标和云层灰度较高,均值差很小,但是此时的α'会使局部灰度差变得较大,目标得到适当增强,低于局部均值的云层背景会被抑制。

3) 当局部区域同时包含目标、云层边缘及天空背景时,相比天空背景,目标和云层边缘强杂波的灰度值均较高。由于V_g为固定值,局部区域中整体的灰度均值较低,V_l较大,此时α'较小,可预防对云层边缘强杂波进行增强的问题。因此,局部区域会存在一定大小的灰度差,低于局部均值的较暗天空背景会被抑制。

在弱小目标的检测过程中,局部灰度差方法的优势在于通过有效地抑制均匀及较暗的背景干扰,适当地增强了目标像素强度,提高目标的检测率。

2.4 视觉特征融合及阈值分割

根据梯度特征和灰度特征对应的不同特征图像,对各个特征图像进行融合,得到映射图像F:

F = D (i, j) * G (i, j), (12)

式中:G(i,j)为局部多向梯度值。

最后,利用自适应阈值从图像F中得到目标:

T = mean [F] + λV [F], (13)

式中:mean[·]和V[·]分别为映射后图像的非0像素的均值和方差;λ为调节系数,一般为3~10。对于图像像素F(i,j),若F(i,j)≥T,则可能是目标,反之,可能为背景。

3 实验与分析

3.1 实验结果与仿真环境

实验中,利用具有高亮度云层和低亮度云层环境的图像对所提方法的检测性能进行验证,结果如图5所示。实验仿真环境是在Intel(R) Core(TM) i5-3230M@2.6GHz Processor,750G HD,4.00GB RAM笔记本上进行的,检测方法采用Matlab R2013a软件。

从图5可知,scene 1中的背景包含大量高亮度云层,部分目标被云层遮挡,目标灰度接近于高亮度云层,对比度很低;scene 2背景中,云层较暗且变化平缓,目标信号极其微弱。因此,检测方法的关键就是要抑制高亮度云层的干扰,增强目标信号。从图5(c)可知,利用所提方法对红外图像进行灰度特征和目标梯度特征提取及融合处理后,能够将目标与复杂背景清晰地分离出来。从三维强度分布图可知,所提方法能够充分地抑制复杂云层及强杂波背景的干扰,提高目标显著性,从而提取出真实目标。

图 5. 检测结果。(a)原始图像;(b)原始图像的强度三维分布;(c)效果图;(d)效果图的强度三维分布

Fig. 5. Detection results. (a) Original image; (b) 3D intensity distribution of original image; (c) effect image; (d) 3D intensity distribution of effect image

下载图片查看所有图片

3.2 对比实验

为了验证所提方法的性能,对所提方法、Top-Hat滤波方法、基于线的图像重构和信息熵增强(LRES)检测方法、基于局部强度和梯度(LIG)检测方法、NRAM^[2]检测方法进行比较。图6为分割前5种方法的检测结果。在实验中,局部区域大小均为15×15,参数k=0.4,λ=8。

从图6(a)可知,选取了具有低亮度的云层及高亮度云层环境的红外图像序列,与图像中的不同复杂背景相比,目标信号都相对较弱,尤其在序列4中,锐利云层边缘强杂波的干扰加大了目标检测难度。由图6可知,Top-Hat、LRES、NRAM及LIG这4种方法均不能精准地检测出真实目标,并且Top-Hat、LRES、LIG方法还会出现虚警现象。其中,Top-Hat方法在图像序列1单一较亮的背景下抑制效果很好;但在图像序列2、3、4中对起伏变换的云层边缘杂波比较敏感,检测结果中存在较多的边缘杂波,背景抑制效果较差;当在图像序列4目标大部分被云层遮挡时,直接使目标混淆在杂波中,无法提取出目标。LRES方法在图像序列1中能抑制背景并检测到真实目标;在图像序列2、3中,与Top-Hat方法相比,LRES方法虽然能够去除大部分背景,但是还会保留较少的杂波;而在图像序列4中,当目标受到锐利的云层边缘遮挡时,不能有效地增强目标,虚警率上升。在图像序列1、2中,NRAM方法对目标与背景间差异较明显的背景的抑制效果良好;而在目标受云层等杂波干扰严重使目标与背景的对比度较低的图像序列3、4中,该方法将会把目标区域重构为背景,使目标消失。LIG方法抑制背景效果较好,在图像序列2、3中能够有效地抑制起伏背景,提取出弱小目标;但对于图像序列1中的小块云层,由于云层像素强度高于周围邻域像素,该方法将其误检测为真实目标,发生虚假目标现象;在图像序列4中,当目标几乎被云层淹没时,高亮度云层掩盖了目标梯度的分布,该方法无法检测到真实目标。而所提方法能够有效地抑制块状云层、锐利云层边缘杂波的干扰,准确地提取出真实目标,可以稳定地在不同的机载环境条件下对目标进行检测。LRES方法、NRAM方法、LIG方法、所提方法对残留杂波干扰的去除均优于Top-Hat方法。所提方法的优势在于抑制云层强杂波干扰的同时有效地增强真实目标,减少了虚假目标,且在复杂背景下的目标检测能力更强。不同方法在4种不同红外图像序列各90帧下的检测结果如表1所示。

图 6. 不同方法的检测效果图。(a)原图;(b) Top-Hat方法;(c) LRES方法;(d) NRAM方法;(e) LIG方法 (f)所提方法

Fig. 6. Detection results of different methods. (a) Original image; (b) Top-Hat method; (c) LRES method; (d) NRAM method; (e) LIG method; (f) proposed method

下载图片查看所有图片

表 1. 不同方法的检测性能

Table 1. Detection performance of different methods

Method	Top-Hat	LRES	NRAM	LIG	Proposed method
Detection rate	0.82	0.86	0.89	0.85	0.91
False detection rate	0.15	0.16	—	0.09	0.06

查看所有表

表 2. 不同方法的SCR

Table 2. SCR of different methods

Sequency	Top-Hat	LRES	NRAM	LIG	Proposed method
1	3.5400	6.2757	6.5206	6.0686	7.7595
2	4.3554	4.8404	4.9644	5.5557	6.0472
3	2.1978	2.7258	—	2.6150	3.1563
4	3.8955	4.7288	—	4.8650	6.3940

查看所有表

表 3. 不同方法的BSF

Table 3. BSF of different methods

Sequency	Top-Hat	LRES	NRAM	LIG	Proposed method
1	686.0928	3414.1000	3638.8	2094.4000	3741.1
2	398.0309	922.5906	1176.9	1020.7000	1156.7
3	502.2085	3307.4000	—	3321.7000	4084.9
4	483.2480	714.7317	—	537.9541	4215.1

查看所有表

为了定量评价所提方法的检测性能,采用信杂比(SCR)和背景抑制因子(BSF)^[21]评价指标对所提方法和其他典型的三种检测方法的性能进行定量评价,结果如表2和表3所示。其中,SCR表示目标增强的能力,SCR越高,增强效果越好;BSF表示对背景的抑制能力,BSF越高,抑制能力越强。图像的SCR和BSF越高,就越容易检测到目标。SCR的表达式为

R_{SC} = |F_{t} - F_{m}| / σ, (14)

式中:F_t为输出图像中目标的像素强度;F_m为输出图像局部区域中背景区域的均值;σ为输出图像局部区域中背景区域的标准差。实验中,局部区域尺寸为15 pixel×15 pixel。

BSF定义为

F_{BS} = σ_{i n} / σ_{out}, (15)

式中:σ_in为输入图像的灰度标准差;σ_out为输出图像的灰度标准差。

从表2、3可以发现,虽然Top-Hat方法、LRES方法、NRAM方法、LIG方法及所提方法均可提高图像的SCR和BSF,所提方法和NRAM方法的背景抑制效果更是优于其余3种方法。但与其他方法相比,所提方法能够有效地提高信杂比,表明所提方法具有良好的目标增强和背景抑制能力。

4 结论

针对梯度方法不能准确检测出被云层遮挡的目标的问题,利用Laplace算法对图像进行预处理,保护复杂云层环境中目标的完整性且提高了目标的显著性,局部多向梯度方法有效地抑制锐利云层边缘强杂波的干扰。局部差方法剔除了较暗和无梯度特性的均匀背景,适当地增强了目标。采用所提方法对目标检测进行实验。实验结果表明:与Top-Hat方法、LRES方法、LIG方法相比,在复杂背景条件下,所提方法的信杂比和背景抑制因子均得到了显著性的提升,说明所提方法能增强目标,也能减小复杂背景杂波影响,并且有效地减少了虚警率。依据信杂比,所提方法增强目标的效果优于NRAM方法,且明显提高了对目标的检测能力。因此,在复杂云层背景和强杂波环境下,所提方法在机载红外弱小目标检测中具有良好的适用性。

参考文献

[1] 朱婧文, 刘文好, 印剑飞, 等. 基于改进复杂度的红外弱小目标区域检测算法[J]. 激光与光电子学进展, 2018, 55(10): 101006.

Zhu J W, Liu W H, Yin J F, et al. Infrared small target regions detection based on improved image complexity[J]. Laser & Optoelectronics Progress, 2018, 55(10): 101006.

[2] Zhang L D, Peng L B, Zhang T F, et al. Infrared small target detection via non-convex rank approximation minimization joint l2,1 norm[J]. Remote Sensing, 2018, 10(11): 1821.

[3] Li Y S, Zhang Y J, Yu J G, et al. A novel spatio-temporal saliency approach for robust dim moving target detection from airborne infrared image sequences[J]. Information Sciences, 2016, 369: 548-563.

[4] 赵高鹏, 李磊, 王建宇. 基于结构张量分析的弱小目标单帧检测[J]. 光子学报, 2019, 48(1): 0110001.

Zhao G P, Li L, Wang J Y. Dim small target single-frame detection based on structure tensor analysis[J]. Acta Photonica Sinica, 2019, 48(1): 0110001.

[5] Gao J L, Wen C L, Liu M Q. Robust small target co-detection from airborne infrared image sequences[J]. Sensors, 2017, 17(10): 2242.

[6] Shi Y F, Wei Y T, Yao H, et al. High-boost-based multiscale local contrast measure for infrared small target detection[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(1): 33-37.

[7] Qi S X, Ma J, Tao C, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 495-499.

[8] Hu J, Yu Y, Liu F. Small and dim target detection by background estimation[J]. Infrared Physics & Technology, 2015, 73: 141-148.

[9] Zeng M, Li J X, Peng Z. The design of Top-Hat morphological filter and application to infrared target detection[J]. Infrared Physics & Technology, 2006, 48(1): 67-76.

[10] Bai X Z, Zhou F G. Analysis of new Top-Hat transformation and the application for infrared dim small target detection[J]. Pattern Recognition, 2010, 43(6): 2145-2156.

[11] 陆福星, 李夜金, 陈忻, 等. 基于Top-Hat变换的PM模型弱小目标检测[J]. 系统工程与电子技术, 2018, 40(7): 1417-1422.

Lu F X, Li Y J, Chen X, et al. Weak target detection for PM model based on Top-Hat transform[J]. Systems Engineering and Electronics, 2018, 40(7): 1417-1422.

[12] Wang P, Tian J W, Gao C Q. Infrared small target detection using directional highpass filters based on LS-SVM[J]. Electronics Letters, 2009, 45(3): 156-158.

[13] Hou W, Lei Z H, Yu Q F, et al. Small target detection using main directional suppression high pass filter[J]. Optik, 2014, 125(13): 3017-3022.

[14] Ahmadi K, Salari E. Small dim object tracking using frequency and spatial domain information[J]. Pattern Recognition, 2016, 58: 227-234.

[15] Xin Y H, Zhou J, Chen Y S. Dual multi-scale filter with SSS and GW for infrared small target detection[J]. Infrared Physics & Technology, 2017, 81: 97-108.

[16] Qian K, Zhou H X, Qin H L, et al. Guided filter and convolutional network based tracking for infrared dim moving target[J]. Infrared Physics & Technology, 2017, 85: 431-442.

[17] Qin H L, Han J J, Yan X, et al. Infrared small moving target detection using sparse representation-based image decomposition[J]. Infrared Physics & Technology, 2016, 76: 148-156.

[18] Gao C Q, Zhang T Q, Li Q. Small infrared target detection using sparse ring representation[J]. IEEE Aerospace and Electronic Systems Magazine, 2012, 27(3): 21-30.

[19] Chen H, Jiao L C, Liang M M, et al. Fast unsupervised deep fusion network for change detection of multitemporal SAR images[J]. Neurocomputing, 2019, 332: 56-70.

[20] 杨昳, 徐长彬, 马玉莹, 等. 低信噪比下的红外弱小目标检测算法研究综述[J]. 激光与红外, 2019, 49(6): 643-649.

Yang Y, Xu C B, Ma Y Y, et al. A review of infrared dim small target detection algorithms with low SNR[J]. Laser & Infrared, 2019, 49(6): 643-649.

[21] Shang K, Sun X, Tian J W, et al. Infrared small target detection via line-based reconstruction and entropy-induced suppression[J]. Infrared Physics & Technology, 2016, 76: 75-81.

[22] Zhang H, Zhang L, Yuan D, et al. Infrared small target detection based on local intensity and gradient properties[J]. Infrared Physics & Technology, 2018, 89: 88-96.

[23] Han J H, Liang K, Zhou B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 612-616.

仇国庆, 杨海静, 王艳涛, 魏雅婷, 罗盼. 基于视觉特征融合的机载红外弱小目标检测[J]. 激光与光电子学进展, 2020, 57(18): 181004. Guoqing Qiu, Haijing Yang, Yantao Wang, Yating Wei, Pan Luo. Dim Target Detection in Airborne Infrared Images Based on Visual Feature Fusion[J]. Laser & Optoelectronics Progress, 2020, 57(18): 181004.

基于视觉特征融合的机载红外弱小目标检测下载： 851次

1 引言

2 基于视觉特征的目标检测

2.1 复杂背景下图像的预处理

图 1. 高亮度云层的增强效果。(a)原始图像;(b)边缘提取图像;(c)叠加图像

Fig. 1. Enhancement effect of high brightness cloud. (a) Original image; (b) edge extraction image; (c) overlay image

2.2 基于梯度特征的背景抑制

图 2. 目标及其邻域的强度和梯度分布图。(a)原始图像;(b)强度三维分布;(c)梯度图

Fig. 2. Distribution maps of intensity and gradient of target and its neighborhood. (a) Original image; (b) 3D intensity distribution; (c) gradient map

图 3. 云层及其梯度分布。(a)原始图像;(b)云层边缘区域梯度分布

Fig. 3. Cloud and its gradient distribution. (a) Original image; (b) gradient distribution of cloud edge region

图 4. 四个方向的梯度算子

Fig. 4. Gradient operators in four directions

2.3 基于灰度特征的目标增强

2.4 视觉特征融合及阈值分割

3 实验与分析

3.1 实验结果与仿真环境

图 5. 检测结果。(a)原始图像;(b)原始图像的强度三维分布;(c)效果图;(d)效果图的强度三维分布

Fig. 5. Detection results. (a) Original image; (b) 3D intensity distribution of original image; (c) effect image; (d) 3D intensity distribution of effect image

3.2 对比实验

图 6. 不同方法的检测效果图。(a)原图;(b) Top-Hat方法;(c) LRES方法;(d) NRAM方法;(e) LIG方法 (f)所提方法

Fig. 6. Detection results of different methods. (a) Original image; (b) Top-Hat method; (c) LRES method; (d) NRAM method; (e) LIG method; (f) proposed method

表 1. 不同方法的检测性能

Table 1. Detection performance of different methods

表 2. 不同方法的SCR

Table 2. SCR of different methods

表 3. 不同方法的BSF

Table 3. BSF of different methods

4 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

基于视觉特征融合的机载红外弱小目标检测 下载： 851次

1 引言

2 基于视觉特征的目标检测

2.1 复杂背景下图像的预处理

图 1. 高亮度云层的增强效果。(a)原始图像;(b)边缘提取图像;(c)叠加图像

Fig. 1. Enhancement effect of high brightness cloud. (a) Original image; (b) edge extraction image; (c) overlay image

2.2 基于梯度特征的背景抑制

图 2. 目标及其邻域的强度和梯度分布图。(a)原始图像;(b)强度三维分布;(c)梯度图

Fig. 2. Distribution maps of intensity and gradient of target and its neighborhood. (a) Original image; (b) 3D intensity distribution; (c) gradient map

图 3. 云层及其梯度分布。(a)原始图像;(b)云层边缘区域梯度分布

Fig. 3. Cloud and its gradient distribution. (a) Original image; (b) gradient distribution of cloud edge region

图 4. 四个方向的梯度算子

Fig. 4. Gradient operators in four directions

2.3 基于灰度特征的目标增强

2.4 视觉特征融合及阈值分割

3 实验与分析

3.1 实验结果与仿真环境

图 5. 检测结果。(a)原始图像;(b)原始图像的强度三维分布;(c)效果图;(d)效果图的强度三维分布

Fig. 5. Detection results. (a) Original image; (b) 3D intensity distribution of original image; (c) effect image; (d) 3D intensity distribution of effect image

3.2 对比实验

图 6. 不同方法的检测效果图。(a)原图;(b) Top-Hat方法;(c) LRES方法;(d) NRAM方法;(e) LIG方法 (f)所提方法

Fig. 6. Detection results of different methods. (a) Original image; (b) Top-Hat method; (c) LRES method; (d) NRAM method; (e) LIG method; (f) proposed method

表 1. 不同方法的检测性能

Table 1. Detection performance of different methods

表 2. 不同方法的SCR

Table 2. SCR of different methods

表 3. 不同方法的BSF

Table 3. BSF of different methods

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于视觉特征融合的机载红外弱小目标检测下载： 851次